- •Методичні вказівки
- •1 Тема курсової роботи
- •3.2 Додаткова література
- •3.3. Науково-методична література “Видавництва СумДу”
- •4 Теоретичні положення для виконання курсової роботи
- •4.1 Базовий алгоритм навчання спр за методом-функціонально-статистичних випробувань (мфсв)
- •4.2 Критерії функціональної ефективності навчання спр
- •4.2.1 Ентропійний кфе
- •4.2.2 Інформаційна міра Кульбака
- •4.2.3 Обчислення інформаційного кфе
- •4.3 Алгоритм екзамену за мфсв
- •5 Виконання КурсовОї роботИ
- •5.1 Загальні вказівки
- •5.2 Завдання на курсову роботу
- •5.3 Формування вхідної навчальної матриці
- •5.4 Приклад формування навчальної матриці
- •5.5. Результати, одержані при виконанні курсової роботи
- •5.6 Вимоги до оформлення курсової роботи
- •5.7 Графік виконання курсової роботи Графік виконання курсової роботи наведено в табл. 2.
- •Методичні вказівки
- •40007, Суми, вул. Р.-Корсакова, 2
- •40007, Суми, вул. Римського-Корсакова, 2
4.3 Алгоритм екзамену за мфсв
На рис.4 показано структурну схему алгоритму екзамену для нечіткого розбиття простору ознак розпізнавання, яке має місце у загальному випадку. Алгоритм має такі вхідні дані: масив еталонних двійкових векторів: змінна числа класів розпізнавання; цілий масив оптимальних радіусів контейнерів класів розпізнавання у кодовій відстані Хеммінга; двійкова реалізація образу, що розпізнається.
Рисунок 4– Структурна схема алгоритму екзамену:
Виходом алгоритму є повідомлення про належність реалізації, що розпізнається, деякому класу із сформованого на етапі навчання алфавіту класів . На рис.4блок 5 обчислює, починаючи з базового класу, кодову відстаньміжпоточним еталоннимвектором і реалізацією ХР. Блок 6 для кожного класу обчислює значення функції належності, яка для гіперсферичного класифікатора має вигляд
(4.3.1)
Після виходу із циклу блок 8 визначає клас,до якого належить реалізаціяХР за максимальним значеннямфункції належності (4.3.1).
5 Виконання КурсовОї роботИ
5.1 Загальні вказівки
Курсова робота на тему: «Інформаційний синтез СПР, що навчається» виконується за матеріалами розділів чотири і п’ять конспекту лекцій дистанційного курсу “Системи і методи прийняття рішень”.
Норма часу на СРС – 24 год.
5.2 Завдання на курсову роботу
Варіант 1. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох класів розпізнавання (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
кількість ознак розпізнавання 16;
кількість реалізацій образу одного класу 30;
інформаційний критерій оптимізації за Шенноном.
Варіант 2. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох класів розпізнавання (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
кількість ознак розпізнавання 16.
кількість реалізацій образу одного класу 30.
інформаційний критерій оптимізації за Кульбаком.
Варіант 3. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання трьох класів розпізнавання (М=3) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
кількість ознак розпізнавання 16.
кількість реалізацій образу одного класу 30.
інформаційний критерій оптимізації за Шенноном.
Варіант 4. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання трьох класів розпізнавання (М=3) і алгоритм екзамену за методом функціонально-статистичних випробувань. Задано такі параметри:
кількість ознак розпізнавання 16;
кількість реалізацій образу одного класу 30;
інформаційний критерій оптимізації за Кульбаком.
Варіант 5. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
рецепторне поле 100100 пікселів;
інформаційний критерій оптимізації за Шенноном.
Варіант 6. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань. Задано такі параметри:
рецепторне поле 100100 пікселів;
інформаційний критерій оптимізації за Кульбаком.
Варіант 7. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
рецепторне поле 150150 пікселів;
інформаційний критерій оптимізації за Шенноном.
Варіант 8. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
рецепторне поле 150150 пікселів;
інформаційний критерій оптимізації за Куль баком.
Варіант 9. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
рецепторне поле 100100 пікселів;
інформаційний критерій оптимізації за Шенноном.
Варіант 10. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
рецепторне поле 100100 пікселів;
інформаційний критерій оптимізації за Кульбаком.
Варіант 11. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
рецепторне поле 150150 пікселів;
інформаційний критерій оптимізації за Шенноном
Варіант 12. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
рецепторне поле 150150 пікселів;
інформаційний критерій оптимізації за Кульбаком.
Варіант 13. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
рецепторне поле 200200 пікселів;
інформаційний критерій оптимізації за Шенноном.
Варіант 14. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох стаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
рецепторне поле 200200 пікселів;
інформаційний критерій оптимізації за Куль баком.
Варіант 15. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
рецепторне поле 200200 пікселів;
інформаційний критерій оптимізації за Шенноном.
Варіант 16. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох нестаціонарних за яскравістю зображень (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
рецепторне поле 200200 пікселів;
інформаційний критерій оптимізації за Кульбаком.
Варіант 17. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох класів розпізнавання (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
кількість ознак розпізнавання 18;
кількість реалізацій образу одного класу 30;
інформаційний критерій оптимізації за Шенноном.
Варіант 18. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання двох класів розпізнавання (М=2) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
кількість ознак розпізнавання 18.
кількість реалізацій образу одного класу 30.
інформаційний критерій оптимізації за Кульбаком.
Варіант 19. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання трьох класів розпізнавання (М=3) і алгоритм екзамену за методом функціонально-статистичних випробувань (МФСВ). Задано такі параметри:
кількість ознак розпізнавання 15.
кількість реалізацій образу одного класу 30.
інформаційний критерій оптимізації за Шенноном.
Варіант 20. Розробити та програмно реалізувати базовий алгоритм навчання СПР для розпізнавання трьох класів розпізнавання (М=3) і алгоритм екзамену за методом функціонально-статистичних випробувань. Задано такі параметри:
кількість ознак розпізнавання 15;
кількість реалізацій образу одного класу 30;
інформаційний критерій оптимізації за Кульбаком.